Previsão de Consumo: Aposente sua bola de cristal com a GreenAnt

Previsão de Consumo de Energia (Old-Fashioned)

Como prática de desenvolvimento de produto digital, procuramos manter canal aberto de interação com clientes de diferentes perfis para definir em quais direções nossos serviços devem evoluir, a fim de garantir os melhores resultados e atender demandas de mercado legítimas. Nos encontros com usuários da nossa plataforma, ressaltava-se com cada vez mais frequência a necessidade de incluir nas práticas de gestão energética não apenas dados históricos e em tempo real, mas também projeções do consumo, que poderiam ser utilizadas de diversas formas na antecipação de despesas e consequentemente no planejamento de ações de redução de custos com energia.

Em algumas ocasiões, ouvimos de nossos usuários que as médias de consumo poderiam ser utilizadas para prever o comportamento de um ponto monitorado por nosso sistema. Entretanto, entendemos que esta não seria a informação de fato relevante para esta finalidade. O que eles realmente precisavam para antecipar o uso de energia, seria algo que representasse o consumo característico do local sob análise em um dado tempo, incluindo nesse cálculo informações pertinentes que uma média não incluiria.

A partir daí, analisamos dados reais de nossos clientes e confirmamos que a média do consumo, mesmo sendo computada em janelas móveis, pode não ser uma boa forma de obter e representar previsões. Para ilustrar o problema, imagine um ponto de medição que vem mudando seu consumo recente, por exemplo, por aplicar alguma estratégia de economia; neste caso, a média não capturaria esse efeito das mudanças recentes.

Vimos então uma oportunidade para utilizarmos técnicas de otimização e aprendizado de máquina para entregarmos essa informação de forma mais inteligente e, assim, muito mais valiosa aos nossos clientes.


Modelando o Futuro

Pensando nesses requisitos, desenvolvemos duas novas funcionalidades na nossa plataforma: a exibição de curvas de padrão típico de consumo e de previsão de consumo.

Essas funcionalidades são possíveis através da modelagem do comportamento da série temporal do consumo de energia de cada cliente. Em poucas palavras, usando técnicas de aprendizado de máquina e otimização podemos inferir funções que descrevem esses comportamentos, elas são “aprendidas” através da observação dos dados históricos coletados pelos nossos medidores. Essas funções, de forma geral, modelam as seguintes características:

  • Sazonalidade, ou seja, variações cíclicas que ocorrem sempre de maneira semelhante, seja diária, semanal e até mesmo anualmente. Essa parte do modelo se resume a um conjunto de séries de Fourier, aditivas, com períodos variáveis, cujos coeficientes são treinados a partir de observações passadas dos dados de consumo;
  • Tendência, que corresponde a mudanças sistemáticas no comportamento, como por exemplo, uma redução brusca do consumo, ocasionada pela substituição de um equipamento.

Após modelarmos esses comportamentos, somos capazes de extrapolarmos estes padrões para gerar previsões acuradas. Vale notar que, por quanto mais tempo o medidor estiver instalado, melhor será o modelo e, consequentemente, as previsões, já que eles se baseiam em treinamento sobre os dados históricos.


Casos de uso

Ok, mas como isso pode ser utilizado na prática? Separamos dois casos distintos para ilustrar aplicações de cada uma dessas funcionalidades:

Caso 1: Análise de projeto de eficiência energética

Consumo Medido (Verde) X Consumo Típico (Azul)

Para exemplificar como a ferramenta de exibição do consumo típico pode ser usada para avaliar os resultados obtidos ao longo da implantação de uma ação de redução de consumo, observamos as curvas de medição (verde) e perfil típico (azul) do circuito de iluminação de uma loja cujas lâmpadas antigas foram substituídas por LED.

Observamos que, a partir do período indicado pelo tracejado preto, houve uma tendência de queda do consumo, observável por meio da curva de consumo típico, e foi nesta semana em que as lâmpadas começaram a ser substituídas progressivamente. A partir da conclusão da substituição, vemos a tendência se estabilizar e, apesar da diminuição do consumo real, as estimativas do modelo eram de um consumo ainda menor, o que de fato se concretizou nas últimas semanas.

Assim, a curva de tendência pode ser utilizada para verificar se a ação ocorreu conforme o esperado, pois, caso o consumo nas últimas semanas não tivesse sido reduzido ao patamar estimado pelo modelo, provavelmente algum consumo novo e inesperado estaria interferindo no projeto e a ação de redução de consumo não obteria os resultados desejados.

Caso a curva de padrão típico fosse computada com técnicas de média móvel, apenas janelas muito específicas capturariam esse comportamento sendo inviável que elas fossem feitas de modo automático, retardando a análise que só tem valor se obtida assim que as ações são realizadas.

Caso 2: Melhor planejamento das despesas com energia

Em seguida, buscamos um exemplo de como a previsão de consumo pode ser utilizada para motivar adequações do uso de energia afim de atender a metas pré-estabelecidas, sejam contratuais ou por alocação de recursos.

No caso, observamos os dados de um supermercado que utiliza o sistema da GreenAnt para avaliar se seu consumo está de acordo com o que foi contratado no mercado livre de energia. Nesta situação, a previsão é essencial para tomada de decisão, uma vez que o estabelecimento contrata um limite de energia mensal e está sujeito a cobranças muito maiores caso o ultrapasse.

Consumo Medido (Verde) e Consumo Previsto (Cinza)

Considerando a média diária das medições, o estabelecimento estaria com problemas, já que, extrapolando esse valor para o resto do mês, chegaria a uma fatura de mais de R$42.000, e dessa forma, sua meta de R$38.500 seria ultrapassada. Entretanto, de acordo com a ferramenta de previsão de consumo, o total estimado para a fatura é de R$ 38,129.99, valor abaixo da meta estipulada.

A previsão obtida com nosso modelo tem uma assertividade bem superior à regressão linear feita a partir da média diária, pois ela leva em consideração a sazonalidade semanal. No caso isso é relevante pois, neste período tarifário, existem 10 dias de final de semana, que são justamente os dias em que o supermercado tem seu consumo significativamente reduzido, resultando em um consumo total menor do que em períodos que possuem menos finais de semana, e esse fenômeno é corretamente previsto no modelo sazonal.

Desta forma, em relação à ultrapassagem da quantidade de energia contratada, os gestores do estabelecimento podem até se tranquilizar, mas ainda assim devem manter o foco na economia, pois a estimativa prevista está bem próxima à sua meta!


A previsão que queremos errar

Assim como tudo o que fazemos na GreenAnt, o desenvolvimento das técnicas aplicadas nas previsões de consumo tem como objetivo melhorar a forma como lidamos com a energia no nosso dia a dia. Como consumidores, muitas vezes nos esquecemos que, na outra extremidade da rede elétrica à qual ligamos nossas tomadas, estão recursos naturais utilizados na geração, e, por isso, buscamos promover o uso racional da energia. Acreditamos que eventos como a escassez de recursos hídricos, por exemplo, teriam um impacto menor na sociedade se melhorássemos a qualidade do uso da energia, e apenas o consumidor bem informado tem o poder para fazer isso.

No fundo, o que queremos mesmo é que as previsões que calculamos no início de cada mês sejam sempre “surpreendidas” pela redução e otimização do seu consumo.